论人工智能在新疆的应用与发展

"人工智能"这一概念在近些年里伴随着底层技术的发展,人工智能技术的应用范围在日渐扩大,并且人工智能技术与传统行业的交叉程度也不断增强,人工智能技术与思想的应用能够帮助传统行业打破发展瓶颈,为进一步发展注入新的发展动力。因此新疆地区应结合本地区的实际情况,在充分考虑本地区现实中对人工智能技术需求的基础上,推进人工智能在新疆的应用与发展。首先对人工智能的概念及产业层级划分给出定义,接着根据新疆的现实需求提出发展人工智能的必要性以及人工智能在新疆具体应用领域,并在分析新疆地区的优势与劣势后得出新疆在应根据发展需求推进某些人工智能领域的应用与发展;最后对新疆提出具体发展人工智能的对策建议。     

基于数据驱动的社交媒体假新闻预测（英文）

社交媒体的快速发展导致了虚假新闻的广泛传播，这不仅影响了人们的生活，也损害了社交媒体平台的可信度。因此，中文假新闻检测是一项具有挑战性且意义重大的任务。然而，现有的中国社交媒体平台的假新闻数据集数据量相对较少，该领域的数据收集相对陈旧，不能满足进一步研究的要求。考虑到这一背景，本文提出了一个最新的中文微博假新闻数据集，其中包含从微博收集的26320条假新闻数据。此外，还提出了一种基于数据增强的假新闻检测模型，可以有效解决假新闻数据缺乏的问题，提高模型的泛化能力和鲁棒性。对从微博收集的假新闻数据集进行了大量实验，并成功将模型部署在网页上。实验结果证明了所提出的端到端模型在检测社交媒体平台上的虚假新闻方面的有效性。     

机器学习在车载激光点云分类中的应用研究

点云信息分类提取与利用是车载移动测量系统的关键技术,提高车载激光点云分类的智能化已成为当代信息科学技术发展所面临的重要问题.从分析点云的特征入手,采用机器学习方法对车载激光点云的行道树提取进行了大量实验研究.首先,在点云原始特征的基础上,根据其局部几何特征及空间分布,构造了由三维空间位置、回波强度、颜色值、法向量、单位投影密度、残差及回波强度维度内的残差等17个特征值组成的点云高维特征向量,然后采用支持向量机和人工神经网络两种机器学习方法分别对行道树点云进行提取实验.实验中采用了粒子群优化算法对支持向量机进行参数寻优,采用所构造的由17个特征值构成的特征向量对点云进行机器学习,两种学习方法的行道树点云分类精度分别可以达到99.75%和99.25%.实验结果表明,采用机器学习的方法对于提高车载激光点云分类自动化程度和智能化水平具有重要意义和作用.     

一种互联网拓扑结构局部特征度量修正算法

对互联网拓扑结构局部特性展开研究,针对已有IP定位数据库的异构性和准确率不高造成的特征度量分析存在偏差的问题,提出了一种基于机器学习的修正算法(IPMG).以复杂网络为基础,结合网络测量数据和已有IP定位数据库中的IP地理位置信息,定义了互联网局部拓扑结构的地理度和地理介数这两种新的特征度量;分析了地理度和地理介数分布的幂律特性以及二者与IP地理位置之间的关系;运用机器学习的方法修正了不同IP定位数据库之间存在的分析有偏差的问题,并通过交叉验证和地标验证结合的方法验证了IPMG算法的有效性.实验结果表明:IPMG算法有效修正地理度和地理介数的同时提高了IP定位数据库的准确率.     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

机器学习在湍流燃烧及发动机中的应用与展望

随着燃烧科学的发展，数值仿真与实验测量产生了大量数据，这些数据隐含许多有效的物理信息。传统研究方法对此类信息主要利用基于物理规则的模型去处理，但随着数据量的增加，基于数据驱动的方法开始受到重视。机器学习(machine learning, ML)技术由于在数据分析和处理方面取得了巨大成功，为处理燃烧领域的大量数据提供了一种新的范式。该文简要介绍了ML在湍流燃烧中的应用，主要包括化学反应、燃烧建模、发动机性能预测与优化、燃烧不稳定性预测与控制等4个方面，讨论了机器学习在燃烧研究中面临的挑战，并对未来应用进行了展望。     

ML-TEA:一套基于机器学习和技术分析的量化投资算法

量化投资尝试利用计算机算法来预测证券的价格和进行证券的交易,并从中获取超额收益,是系统工程在金融投资领域的重要应用.本文设计了一套基于机器学习和技术指标的量化投资算法ML-TEA(machine learning and technical analysis).该模型以技术指标作为输入变量,再分别通过不同的机器学习算法来预测股票数日之后的涨跌方向,并根据预测的方向来构建投资组合.实证结果显示:第一,三种模型的年化收益率都在25%以上,远超大盘指数的10.60%、买入持有策略的3%以及现有策略.从风险调节绩效(夏普比率、特雷纳比率和詹森绩效)来看,三种策略也都远超基准策略和现有策略.以夏普比率为例,三种策略均在1.50以上,而市场指数的夏普比率为0.38.第二,Ada-TEA和SVM-TEA都可以容忍远高于市场实际成本的交易成本.